昨天最後面有留一題練習題，不知道你們做得怎麼樣拉？如果有某些地方卡住也沒關係，理論到實際操練本來就會有一些差距，而且新手們一定對於程式碼指令還不是太熟悉，所以OK的OK的！
那今天我會分享我自己的解法讓你們參考看看！
提醒一下，我們這裡只做類似training的動作，因為資料是我隨意打的，所以數量只有10筆，再切成train和test可能會效果不佳。所以我們的目標是利用這10筆資料去找到那個最佳的函式(model)，並且把它畫出來！

召喚Data

下圖JOHN國的房價，JOHN國的房價很簡單，只受到坪數大小的影響。
id | price | sqft_living
------------- | ----------
1 | 500000 | 55
2 | 275000 | 27
3 | 360000 | 33
4 | 780000 | 70
5 | 145000 | 13
6 | 280000 | 26
7 | 860000 | 89
8 | 200000 | 21
9 | 90000 | 10
10 | 680000 | 67

Step 1 ：輸入資料並視覺化資料長相

因為只有10筆資料，且我不是給csv檔案，所以我們必須手動輸入摟！

import numpy as np
import matplotlib.pyplot as plt
data_x = np.array([55,27,33,70,13,26,89,21,10,67])
data_y = np.array([500000,275000,360000,780000,145000,280000,860000,200000,90000,670000])
plt.plot(data_x,data_y,'o')

輸出：

Step 2 ：建立函式池子

將視覺化資料後，可以看出來所有的資料似乎是線性的關係，也不會有太多的彎曲，所以假設很簡單的函式池子：y = w * x + b。
1.先定義出填入資料的空間xs、ys，使用到tf.placeholder騰出空間，方便後來將資料填入，所以xs、ys是放入data_x和data_y的地方。
2.令兩變量weights、biases，利用tf.random_norma()使weights是一個1*1的矩陣的隨機初始值，而biases則是先設定初始值是0。
3.然後定義出 y = weights * xs + biases 的函式池子，且這邊的y將會是預測值。另外，因為weights和biases會一直變動，所以y也會一直變動，下一步會利用y的變動和真正的y(price)之間的差和用最小平方法調整loss並得到最好的weights、biases)。

import tensorflow as tf
#定義資料空間
xs = tf.placeholder(tf.float32)
ys = tf.placeholder(tf.float32)

#定義權重與偏差
weights = tf.Variable(tf.random_normal([1]),name = "w") 
biases = tf.Variable(tf.zeros([1]), name="B")
y =  weights*xs + biases    

Step 3 ：定義損失函式和優化器

先介紹下：
1.tf.reduce_mean()：就是用來計算平均值。
語法：reduce_mean(input_tensor,axis=None,keep_dims=False,name=None)
分別是(1)輸入的tensor(2)指定的軸(3)是否下降維度(4)名稱
2.tf.square()：前面有提到哦，平方用的。
語法：tf.math.square(x,name=None)
分別是(1)輸入值(2)名稱
3.tf.train.GradientDescentOptimizer()：建立梯度下降的優化器。
語法不特別介紹，通常裡面只放學習率就好。
4.optimizer.minimize()：用來找到最小的loss。
語法不特別介紹，裡面放要下降的參數。
再來這些運算的概念可以從這邊開始參考：【Day 05】超級基礎的機器學習－Linear Regression 介紹（2/2）
在做這個練習的時候，我也只有把原本教學的MAE改成MSE(Mean-Square Error)而已，原本的取絕對值改成取平方，其實道理是相同的，都是取正值！

## 損失
loss = tf.reduce_mean(tf.square(y - ys))
## 優化
optimizer = tf.train.GradientDescentOptimizer(0.0001)
train = optimizer.minimize(loss)

Step4 ： 開始訓練

這邊我直接在程式碼中註解即可，比較好了解。

init = tf.global_variables_initializer()  ##初始化(前面有提到variable一定要做這個動作哦~)
with tf.Session() as sess: #tensorflow常用的起手式
    sess.run(init)  #tf的東西一定要run才會動
    for step in range(20): #疊代20次
        print(step, sess.run(weights, feed_dict={xs:x_data, ys:y_data}), sess.run(biases, feed_dict={xs:x_data, ys:y_data}))
        #先查看初始值
        sess.run(train, feed_dict={xs:x_data, ys:y_data}) #將data匯入，啟動優化器，開始更改weights和biases
        pred = sess.run(y, feed_dict={xs:x_data, ys:y_data}) #把預測值一併算出來
            
plt.plot(x_data, pred) #畫線
plt.plot(x_data, y_data, 'o' ) #畫點

輸出：

小結：因為訓練資料較少，所以只要疊代20次就可以了，也可以在15~19次時看出基本上不會有太大的改變了。

今天做了一次完整的線性回歸，也採用之前提過的梯度下降法，還有類似MAE的MSE，總算是有點感覺了吧！
明天會介紹另一個常用的訓練套件－keras！繼續努力囉～